XiaoMi-AI文件搜索系统
World File Search SystemContextual
组织二元化会扼杀创新吗？一个案例...
围绕探索、开发（J. March 1991）等概念阐述的二元性学术建构多年来一直蓬勃发展，并以组织理论为背景，解释了绩效和创新水平。然而，他们也呼吁深入研究，以了解决策等管理能力（Birkinshaw & Gupta 2013；O’Reilly & Tushman 2013；Benner & Tushman 2015）如何支持相互竞争的目标之间的紧张关系。在本文中，我们表明，组织二元性会扼杀创新，因为底层决策理论并未完全支持情境二元性等机制所需的决策性质（Gibson & Birkinshaw 2004）。我们从项目管理层面介绍和分析了飞机客舱设备行业的两个案例研究，并使用组织二元性和决策的描述。我们建议考虑非常规决策理论，将非预期效用（例如对想象前景的潜在遗憾）考虑在内，作为支持管理工具的一种手段，从而在决策和情境层面实现二元性。首先，我们表明，基于管理工具中编码的预期效用的常见决策模型可能无法支持创新，这些管理工具用于实现情境二元性。其次，我们提出，非预期效用（例如对想象前景的潜在遗憾）有助于管理竞争性探索/利用
使用相干散射增强和融合注意力金字塔从低 SCNR SAR 图像中检测飞机
摘要：近年来，基于深度学习的方法已被应用于合成孔径雷达（SAR）图像的目标检测。然而，由于SAR的成像机制和低信杂噪比（SCNR），利用SAR图像进行飞机检测仍然是一项具有挑战性的任务。针对这一问题，提出了一种基于相干散射增强和融合注意机制的低SCNR SAR图像飞机检测新方法。考虑到人造目标与自然背景之间的散射特性差异，引入相干散射增强技术来增强飞机散射信息并抑制杂波和斑点噪声。这有利于深度神经网络后续提取有关飞机的准确和有判别力的语义信息的能力。此外，开发了一种改进的Faster R-CNN，该网络具有一种融合局部和上下文注意的新型金字塔网络。局部注意通过增强重要对象的可区分特征来自适应地突出显示重要对象，而上下文注意则有助于网络提取图像的不同上下文信息。融合局部注意力和上下文注意力可以保证飞机被尽可能完整地检测到。在TerraSAR-X SAR数据集上进行了广泛的实验以与基准进行比较。实验结果表明，所提出的飞机检测方法在低SCNR下可以达到高达91.7％的平均精度，显示出有效性和优于许多基准。
研究文章回顾影响不确定性条件下随机商业决策模型选择的关键因素
不确定情况下的决策是一项普遍存在的挑战，影响着不同领域的个人、组织和社会。虽然现有研究已经广泛探索了随机模型的技术复杂性，但它经常低估影响模型选择和实际应用的关键影响因素，例如组织动态、情境约束和个人技能限制。本研究回顾了现有文献，以揭示个人倾向、情境因素和情境条件如何共同推动不确定决策场景中的随机模型选择。该研究通过谷歌学术搜索引擎采用现有决策科学文献的叙述内容审查方法；选择与商业中随机决策模型的使用相关的同行评审学术期刊、会议论文集和意见论文。研究结果表明，虽然所有因素都会影响随机模型选择，但情境条件（尤其是组织文化和资源可用性）是最重要的。主要结论是，资源充足的支持性环境可增强 SBDM 的采用和适应性，而资源限制或抵制性文化往往会阻碍有效的 SBDM 利用。该研究为决策科学家、管理者和政策制定者提供了宝贵的见解，以培育开放和支持的组织文化，确保在相关软件、工具和员工培训上投入足够的资源，并解决背景限制。
可解释的人工智能质量框架......
摘要 — 第六代 (6G) 无线网络的核心愿景之一是积累人工智能 (AI)，以实现万物互联 (IoE) 的自主控制。特别是，必须通过分析人员、数据、流程和事物等 IoE 的上下文指标来维护 IoE 服务交付的质量。然而，当 AI 模型为网络服务提供商带来解释和直觉的缺失时，挑战就随之而来。因此，本文为质量感知的 IoE 服务交付提供了一个可解释的人工智能 (XAI) 框架，该框架同时支持智能和解释。首先，通过考虑网络动态和 IoE 的上下文指标来制定质量感知的 IoE 服务交付问题，其目标是最大化每个 IoE 服务用户的信道质量指数 (CQI)。其次，设计一个回归问题来解决所提出的公式问题，其中通过 Shapley 值解释估计上下文矩阵的可解释系数。第三，通过使用基于集成的回归模型来确保对矩阵之间上下文关系的解释以重新配置网络参数，实现了支持 XAI 的质量感知 IoE 服务交付算法。最后，实验结果表明，AdaBoost 和 Extra Trees 的上行链路改进率分别为 42 .43% 和 16 .32%，而下行链路改进率高达 28 .57% 和 14 .29% 。然而，基于 AdaBoost 的方法无法维持 IoE 服务用户的 CQI。因此，与其他基线相比，所提出的基于 Extra Trees 的回归模型在缓解准确性和可解释性之间的权衡方面表现出显着的性能提升。索引术语 — 万物互联、可解释人工智能、上下文矩阵、Shapley 系数、回归、服务质量。
有意识的多感官整合
意识在人类认知和适应行为中发挥着重要作用，尽管其在多感觉整合中的作用尚未完全了解，因此，仍存在一些问题：大脑如何整合来自不同外部环境的多感觉信号？如何定义这些多感觉信号的角色以遵循预期的环境行为约束？这项工作旨在阐明一种关于意识多感觉整合 (CMI) 的新理论，以解决上述研究挑战。具体而言，锥体细胞中已建立的情境场 (CF) 和相干信息最大理论（Kay 等人，1998；Kay 和 Phillips，2011）被分为两个功能不同的整合输入场：局部情境场 (LCF) 和通用情境场 (UCF)。 LCF 定义来自大脑其他部分（原则上来自时空的任何地方）的调节性感觉信号，而 UCF 定义外部环境和预期行为（基于过去的学习和推理）。LCF 和 UCF 都与受体场 (RF) 相结合，以开发一类新的情境自适应神经元 (CAN)，以适应不断变化的环境。使用人类情境视听 (AV) 语音建模来评估所提出的理论。模拟结果为情境调节和选择性多感觉信息放大/抑制提供了新的见解。这里回顾的中心假设表明，除了经典的兴奋和抑制信号外，锥体细胞还接收 LCF 和 UCF 输入。UCF（作为转向力或调谐器）在精确选择是否放大/抑制相关/不相关前馈信号的传输而不改变内容方面起着决定性的作用，例如，哪些信息值得更多关注？与现有深度神经网络 (DNN) 中的无条件兴奋和抑制活动相反，这被称为条件放大/抑制。
通过主动查询从人类反馈中学习的强化
将大语言模型（LLM）与人类偏好保持一致，在建立现代生成模型中起着关键作用，可以通过从人类反馈（RLHF）学习来实现。尽管表现出色，但当前的RLHF方法通常需要大量的人类标记的偏好数据，这很昂贵。在本文中，受主动学习成功的启发，我们通过提出查询有效的RLHF方法来解决此问题。We first formalize the alignment problem as a contextual dueling bandit problem and design an active-query-based proximal policy optimization ( APPO ) algorithm with an e O ( d 2 / ∆) instance-dependent regret bound and an e O ( d 2 / ∆ 2 ) query complexity, where d is the dimension of feature space and ∆ is the sub-optimality gap over all the contexts.然后，我们提出了基于直接偏好优化（DPO）的算法的实用版本ADPO，并将其应用于微调LLMS。我们的实验表明，ADPO仅对人类偏好的查询进行了大约一半的查询，与最先进的DPO方法的性能相匹配。
爱国者产品Sheet_vp4300 SSD_V23Q3A
只是一个表面级别的理解，而是一个详尽的上下文分析，例如时间序列财务记录或多维客户数据表。尽管在某些情况下，SLM的专业性质可能是有利的，但它也带来了限制，因为它们有限的理解和上下文意识可能会导致输出对复杂决策过程缺乏必要的相关性。需要进行持续的模型调整以及优化特定任务的SLM所需的专业知识，这一挑战更加复杂，这有助于在企业内大规模实施AI的操作复杂性和资源需求。
核心洞察 - 产品概述
上下文多样性是 OpenText Core Insight Predict 独有的强大集成算法，可降低在正在审查的文档流中遗漏相关文档的风险。许多系统专注于相关性反馈，提供预测为最相关的未审阅文档。但是，上下文多样性添加了一些探索性文档，以确保用户查看了文档集合的每个角落。OpenText Core Insight Predict 适用于多种语言的文档集，允许用户优先考虑中文、日语、韩语或其他复杂和多语言文档。
使用检索效果生成来捕获精确肿瘤的分子驱动的治疗关系
精确肿瘤学的快速增长的领域通常致力于根据其临床表型和基因型来确定针对个体患者量身定制的个性化癌症治疗计划，其特征是分子分析[1]。实际上，确定这些治疗方法依赖于专家医学知识的独特组合，来自患者的整个临床和基因组病史的数据，以及在知识库，元知识基础和出版文献中记录的建议和最新发现。这最后一个组件是时间密集型，即使对于专家来说，也有很大的兴趣，即开发自动化的知识生成方法，目的是将文献变成（可行的）知识。最近的生成人工智能的激增引起了人们对高级大语模型（LLM）在生物医学上的应用，但是很少有组织拥有训练或调整这些模型的特定任务的资源。检索提示世代（RAG）[2]的技术可以代表一个中间立场，其中搁置的（开源或专有）LLM与Contextual 1相应的作者配对：Johns Hopkins University，Baltimore，Baltimore，MD，MD，United States，United States，美国MD；电子邮件：kkreime1@jhu.edu。